TensorFlow模型构建的方法有哪些 分别用函数封装起来并添加注释

TensorFlow模型构建的方法有两种：Sequential模型和Functional API模型。

1. Sequential模型：

import tensorflow as tf

def build_sequential_model():
    # 定义一个Sequential模型对象
    model = tf.keras.Sequential()

    # 添加模型层
    # 第一层需要指定输入形状，后面的层会自动推断输入形状
    model.add(tf.keras.layers.Dense(units=64, activation='relu', input_shape=(784,)))
    model.add(tf.keras.layers.Dense(units=10, activation='softmax'))

    # 编译模型
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    return model

2. Functional API模型：

import tensorflow as tf

def build_functional_model():
    # 定义输入
    inputs = tf.keras.Input(shape=(784,))

    # 定义模型层
    x = tf.keras.layers.Dense(units=64, activation='relu')(inputs)
    outputs = tf.keras.layers.Dense(units=10, activation='softmax')(x)

    # 定义模型
    model = tf.keras.Model(inputs=inputs, outputs=outputs)

    # 编译模型
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    return model

以上代码中，Sequential模型使用`tf.keras.Sequential()`函数构建，使用`model.add()`方法添加模型层；Functional API模型使用`tf.keras.Input()`函数定义输入，使用`tf.keras.layers.Dense()`函数定义模型层，最后使用`tf.keras.Model()`函数定义模型。注释已经添加在代码中。这里将模型构建的代码封装在函数中，方便调用。